上一篇文章介绍AI-CGNet降噪算法和AI-GruNet降噪算法，本篇文章介绍一个新的轻量级降噪做法AI-FGNet。
一、模型结构
AI-FGNet网络相比AI-GruNet，额外添加一层全连接实现特征的维度变换，作为频谱压缩、控制计算量的一种手段。此外，增加残差连接，提升序列长期依赖的建模能力。
特征方面，仍然使用log功率谱作为特征。
网络方面，先进行归一化，然后通过全连接层实现对频谱维度的升维或者降维。然后使用两层GRU层，实现对时间序列历史信息建模，dropout防止过拟合。增加残差连接，提升序列长期依赖的建模能力。最后加上三层全连接。最后预测幅度上的一个增益mask。
前向代码如下，最后估计的增益作用到幅度谱，达到降噪。
二、损失函数
使用Negative SNR作为损失函数。SNR，也称SDR, 常用于降噪、分离等任务，输入时域信号，隐式包含相位信息，相比SI-SNR，对幅度等信号变化相对敏感。
三、工程化
一些计算资源紧张的平台，往往需要对频谱维度进行压缩，来减少计算量。这是一个简单实用的方式。
四、测试数据和处理结果
风噪，纯噪声段降噪达45db以上。
无法张贴测试音频，更多测试音频和下载链接，见微信公众号“算法晓记”。
五、代码
包括训练代码和工程代码，后续考虑公开。
